Multivariate regression applied to time domain-nuclear magnetic resonance signals: determination of moisture in meat products | Regression multivariee appliquee aux signaux de resonance magnetique nucleaire-domaine temps: determination de la teneur en eau de produits carnes

Французский. De plus en plus souvent, des techniques rapides telles que la spectroscopie proche infra rouge (PIR) ou la resonance magnetique nucleaire-domaine temps (RMN-DT) sont utilisees dans les industries agroalimentaires pour le controle de la qualite. Les analyses statistiques multivariees (regression aux moindres carres partiels, analyses en composantes principales, regression sur les composantes principales) sont appliquees depuis plusieurs annees en PIR mais tres rarement en RMN-DT ou l'on etablit generalement de simples regressions univariees sur les parametres RMN calcules (T1, T2, aimantations initiales). Cette etude montre qu'il est possible d'appliquer les techniques de regression multivariee directement aux signaux RMN afin d'obtenir de bons modeles predictifs pour la quantification des constituants d'un echantillon. La methode est appliquee a la determination de la teneur en eau d'un produit carne, la saucisse de Strasbourg commerciale, sechee afin d'obtenir une gamme de teneurs en eau de 10% a 61%. Les signaux RMN pris en compte pour creer les modeles sont ceux obtenus a partir des sequences Free Induction Decay (FID), Carr-Purcell-Meiboom-Gill (CPMG) et Inversion-Recuperation (I-R). Le meilleur modele a ete cree par regression des moindres carres partiels (PLS) avec deux facteurs sur les trois signaux concatenes. La regression multivariee sur les signaux RMN donne une erreur type de prediction de 3,163 et un R2 de 0,986. La robustesse des coefficients a ete verifiee par un test d'Eustachage. Leur valeur nous donne des renseignements sur les parties des signaux qui renferment le plus d'information. Les resultats obtenus sur les signaux RMN ont ensuite ete compares a ceux obtenus par regression sur les parametres RMN calcules. La nouvelle methode est moins sujette a l'erreur, plus rapide et plus facile d'emploi que la methode classique